Zespół badawczy zaproponował LEGO - dwumodułowy system łączący Legal Expert GraphRAG z expert Chain-of-Thought do obsługi złożonego rozumowania prawniczego. Model ten adresuje dwa kluczowe problemy istniejących podejść: tradycyjne metody RAG i GraphRAG skupiały się na podobieństwie leksykalnym lub semantycznym, ignorując relacje normatywne między artykułami kodeksu, a standardowe Chain-of-Thought mogło generować logicznie przyczynowe uzasadnienia bez uwzględnienia struktury normatywnej rozumowania prawniczego.
Expert GraphRAG wykorzystuje graf kodów cywilnych opatrzony adnotacjami ekspertów, które kodują relacje normatywne między przepisami. System stosuje algorytm zachłanny normative-coverage retrieval do dynamicznego ekstrahowania podgrafów specyficznych dla konkretnych przypadków. Expert CoT z kolei organizuje pobrane przepisy i fakty sprawy w strukturalne wnioskowanie typu Provision-Fact-Conclusion, zapewniając logiczną konsekwencję każdego kroku rozumowania.
Wdrażając to podejście na bazie modelu Qwen3-8B, LEGO osiągnął 40,53% dokładności exact-match na benchmarku LawExamQA_Civil, przewyższając oceniane baseline'owe metody RAG i CoT oraz utrzymując porównywalne wyniki do większych modeli. System wykazał szczególną odporność przy pytaniach wieloetapowych i uzyskał najlepsze rezultaty wśród wszystkich ocenianych rozwiązań na otwartych benchmarkach. Badania ablacyjne potwierdziły, że oba moduły działają komplementarnie i wspólnie przyczyniają się do wzrostu wydajności.